La première cohorte du cours de certification Machine Learning Technician I d'Amii a terminé son travail de cours et a présenté des projets de synthèse à un panel d'experts de l'industrie de l'IA comprenant des scientifiques, des chercheurs et des experts commerciaux. Les étudiants de la première cohorte comprenaient des représentants des partenaires industriels d'Amii, couvrant des secteurs tels que le gouvernement, le pétrole et le gaz et l'enseignement supérieur, ainsi que des apprenants individuels.
Comme projet final du cours, les participants devaient définir un problème spécifique en utilisant les ensembles de données COVID-19 du défi UNCOVER COVID-19 sur Kaggle.com, organisé par la Roche Data Science Coalition. Les étudiants ont mis en œuvre trois algorithmes d'apprentissage supervisé - deux pour la classification et un pour la régression - afin de créer des machines à répondre aux questions (QuAM) qui aident à la prise de décision dans une entreprise théorique. En équipes de quatre, les étudiants ont délimité leur problème, nettoyé, analysé et visualisé les données, construit une QuAM, puis évalué l'efficacité de ces modèles d'un point de vue technique et commercial.
Prévision des niveaux de risque par zone géographique
Le premier groupe a cherché à réduire le nombre de décès dus au COVID-19 en utilisant les données du recensement américain des États et des comtés et le nombre de décès signalés quotidiennement. Compte tenu des tendances de la mortalité, les étudiants ont déterminé les différents niveaux de risque de diverses régions d'une semaine à l'autre, obtenant ainsi un aperçu géographique de la propagation du virus. En fin de compte, l'apprentissage automatique pourrait aider à guider les décideurs politiques dans leur prise de décision en donnant la priorité à la fourniture de ressources et de personnel de santé et en promulguant ou en supprimant les ordres de distanciation sociale et les interdictions de voyager.
Utilisation des tests sanguins pour le diagnostic et la planification du traitement
Le second groupe visait à contenir la propagation du COVID-19 en diagnostiquant avec précision les patients à l'aide de variables extraites de tests sanguins standard. En utilisant une combinaison de connaissances techniques et de connaissances du domaine, le groupe a offert une vision globale du problème qui envisageait les conséquences de fournir aux travailleurs de la santé de première ligne un modèle d'apprentissage automatique comme outil de prise de décision pour le diagnostic et la planification du traitement. L'un des résultats importants de la démonstration de concept de ce groupe est le potentiel de réduction significative du nombre de kits de tests nécessaires, en particulier dans les zones où les kits de tests sont très limités ou totalement inaccessibles.
Prévision de la vulnérabilité à une pandémie
Le troisième groupe s'est concentré sur une population spécifique, dans le but d'identifier les zones qui seraient les plus sensibles au COVID-19, sur la base de facteurs socio-économiques. Le groupe a identifié le potentiel de l'utilisation de l'apprentissage automatique pour classer les niveaux de vulnérabilité des différentes zones en fonction de la compréhension actuelle de l'impact des pandémies sur les communautés vulnérables. Le groupe prévoit que son approche pourrait contribuer à réduire l'impact inégal du COVID-19 ou de maladies infectieuses similaires sur les communautés vulnérables et à risque.
Prévision des admissions à l'hôpital
Le quatrième groupe a utilisé les données relatives aux admissions à l'hôpital pour prédire quels patients COVID-19 diagnostiqués positivement auraient eu besoin d'être hospitalisés. Cela aiderait les travailleurs de la santé à identifier les patients qui devraient être immédiatement admis, ce qui conduirait à un traitement plus efficace et à un rétablissement réussi des patients. En raison de la rareté des données disponibles et du manque d'informations sur l'admission des patients, le groupe a identifié les aspects critiques de l'admission qui peuvent avoir un impact sur le rétablissement des patients. Les facteurs comprennent la variabilité des admissions par rapport à la capacité de l'hôpital, ainsi que la variabilité des ressources disponibles qui peuvent entraîner le refus de patients en raison d'un manque de lits, de ventilateurs ou de personnel.
La deuxième cohorte de la certification Machine Learning Technician I d'Amii démarre à l'automne 2020. Inscrivez-vous dès aujourd'hui pour combiner votre expertise dans le domaine avec la puissance des compétences techniques en apprentissage automatique et libérer des opportunités illimitées pour votre avenir !